利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

May, 2024

通过机器学习填补缺失的空气污染浓度数据，我们提供了英国 2018 年每小时 1kmx1km 的全面数据集，对空气污染的浓度进行预测、估计和捕捉，使相关利益相关方能以更高分辨率进行研究。

Jan, 2024

本文回顾了近期的研究，重点关注数据来源、监测和预测模型，采用智能设备、机器学习、大数据技术和物联网等方法，展示了改善空气污染模型的各种方面的研究进展和面临的问题和挑战。

Apr, 2023

实时重建城市空气污染地图的问题，通过在城市图上提出不同的重建方法，包括完全数据驱动、物理驱动或混合驱动，并结合超级学习模型，本研究在法国巴黎市中心测试了方法的性能。

Feb, 2024

通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集，为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据，同时为每个估计值提供了预测区间，从而支持更详细的研究。还通过检查模型在不同地理位置上的表现，为将来监测站的战略放置提供了见解和建议，以进一步提高模型的准确性。

Feb, 2024

使用机器学习模型，特别是随机森林模型，在 2019 年对伊比利亚半岛的五种选择性污染物进行了浓度预测，并使用卫星测量、气象变量、土地利用分类、时间变量和空间变量作为模型特征进行评估。

Feb, 2024

本文介绍了一种新的 Transformer 架构 AirFormer，用于预测中国全国范围内空气质量，具有前所未有的千亿级细粒度，包括两个新的自我注意机制来高效学习时空表示，并使用潜在变量来捕捉空气质量数据的固有不确定性。我们使用中国大陆 1,085 个气象站的四年数据来评估 AirFormer，并且相比于最先进模型，AirFormer 在 72 小时未来预测上将预测误差降低了 5％〜8％。

Nov, 2022

通过机器学习模型，本文提供了一份综合的调研报告，涵盖了空气质量分析的各个方面，从数据采集到预处理，并包括污染模式挖掘、空气质量推断和预测等分析任务。同时，给出了对现有方法和应用的系统分类和总结，并提供了一份公开可用的空气质量数据集列表，以便在这个方向上进行研究。最后，我们确定了一些有前景的未来研究方向。这份调研报告可以作为一个宝贵的资源，帮助专业人士找到适合解决自己特定挑战的解决方案，并推动他们在前沿领域的研究。

Oct, 2023

本研究基于大气中不同空气污染物浓度预测 AQI，使用了来自德里、哈里亚纳邦和旁遮普邦不同城市的 22 个监测站点提供的数据集，在正确理解和插补数据值的前提下，采用时间序列数据进行了各种机器学习模型和深度学习模型的性能评估，发现随机森林相对于其他模型表现更好。

Apr, 2024

该研究提出采用计算机视觉技术分析社交媒体上的照片来监测中国主要城市的空气质量，并与官方 PM 2.5 记录进行相关性分析，研究表明该基于图像的方法具有预测和监测空气污染的潜力。

Aug, 2015